把算术权还给传统代码：Gank Interview 重塑金融 Agent 架构
在高压的金融计算场景中，容错率为零的业务特性决定了基于概率自回归生成的大模型无法直接胜任精准的数值运算。面对频繁引发客诉与监管风险的浮点数幻觉和精度灾难，Gank Interview 提出了第一性原理破局之道：彻底剥夺人工智能的算术权，全面构建以意图路由为核心的金融 Agent 架构。
这种工程范式的本质是严格的职责分离：让大模型退守自然语言理解的优势领域，依托严谨的意图识别框架精准提取贷款本金、执行利率、剩余期数等核心实体，进而通过工具调用机制，将标准化参数无缝流转至底层的金融计算器 API。系统不再依赖黑盒式的文本预测，而是通过确定性的金融 API 路由，将真正的复利核算与违约金测算交还给经过严格审计的传统硬编码执行。
核心破局点：为什么大模型不能直接做金融计算？
大模型的本质是基于概率的自回归文本生成器，而非确定性的图灵机。当用户询问“贷款 100 万、期限 30 年、年化利率 3.8% 的每月还款额”时，如果让大模型直接生成计算结果，它实际上是在“预测”下一个最可能的数字字符，而非严格执行复利公式。这种机制决定了其在精准数值计算上存在无法完全消除的幻觉率。
为了解决这一致命缺陷，工程上的最佳实践转向了“意图路由”（Intent Routing）架构。这一方案的核心思想是严格的职责分离：让大模型退回到它最擅长的位置——作为“大脑”负责自然语言理解、意图识别与核心实体提取；而将真正的数值运算交还给作为“手脚”的传统金融计算器 API。
| 评估维度 | 大模型直接生成计算结果 | 意图路由 + 传统金融代码 (API) |
|---|---|---|
| 准确率与稳定性 | 极不稳定，频繁出现浮点数错误与复利计算幻觉 | 100% 准确，严格遵循硬编码的金融数学公式 |
| 可解释性与审计 | 黑盒生成，无法追溯中间计算步骤与变量代入逻辑 | 完全白盒，API 日志可完整记录入参、出参与计息规则 |
| 合规性与风控 | 极低，错误报价可能直接导致财务损失或误导消费者 | 极高，符合金融监管对定价、计息等核心环节的严苛要求 |
| 系统延迟 | 较高，长文本的自回归推理耗费大量算力与时间 | 较低，大模型仅输出简短的结构化参数指令，计算瞬间完成 |
金融意图路由的标准工作流
在 Gank Interview 的架构设计中，金融意图路由遵循以下标准工作流：
- 提示词输入与需求解析：大模型接收用户的非结构化自然语言输入，结合多轮对话上下文对复杂的金融业务诉求进行标准化降噪与初步解析。
- 意图识别与核心实体提取：系统通过自然语言理解（NLU）精准锁定特定的金融业务意图，并从文本中抽取金额、期限、利率等用于计算的结构化关键参数。
- 工具路由与金融计算器 API 调用：模型放弃自主计算，将提取的结构化参数作为负载路由至外部专用工具，由传统金融计算器依据核心业务规则执行精准的数值运算。
- 结果合成与自然语言输出：大模型接收计算器返回的绝对精确数值，将其与合规话术模板相融合，生成专业、严谨且易于用户理解的最终答复。
架构设计与路由框架选型
从架构师的全局视角来看，一个标准且健壮的金融 Agent 系统包含四个核心组件层级：
- 输入与预处理层：接收用户的多模态输入，并进行基础的上下文追踪与会话状态管理。
- 意图路由与实体提取层（大模型主导）：作为逻辑调度器，对用户的自然语言进行意图分类与需求分析，并提取关键金融实体。
- API 网关与执行层（传统代码主导）：这是系统的硬性安全边界（Schema-gated orchestration）。意图层输出的数据在此被转化为严格的 JSON Payload，API 网关负责参数校验拦截，并路由至后端计算器。
- 结果合成与输出层：将确定性的计算结果返回给大模型，生成符合金融专业术语的自然语言回复。
在路由框架选型上，Gank Interview 指出，高压金融计算场景对时延、确定性和合规性的极度苛求，使得常规框架面临挑战。例如，LangChain 虽然组件丰富，但其基于 ReAct 的循环机制可能导致不可控的推理延迟，不适合毫秒级响应的金融交易场景。相比之下，更轻量级或针对数据密集型检索优化的框架（如 LlamaIndex）可能在特定场景下更具优势，开发者需根据具体的延迟敏感度和编排需求进行权衡。
通过这套架构，Gank Interview 让大模型完全卸载了算术负担，专注于语义理解与参数组装，从而在极高压的金融场景中实现了“零幻觉”的精确计算，为现代智能金融服务提供了一套兼顾业务创新与绝对风控安全的基础设施级解决方案。
